照片為TPOC海報截圖
【聚論壇杜聖聰專欄】選戰進入倒數，這陣子打開新聞，除了市話民調與手機民調，又多了一種新面孔，叫AI民意模擬，也有人稱矽基民調。
新北、台北、桃園、台中、高雄、新竹縣都有人做，支持度、好感度、勝選看好度一應俱全，有的還細到行政區、投開票所。報告上寫著兩萬多名受訪者，卻沒有一個真人接過電話。這些數字從哪裡來，值得一步一步拆開看。
第一步是造人。先在電腦裡造人。研究單位依照縣市選舉人的結構，按性別、年齡、行政區、學歷與政黨傾向的比例，用大型語言模型生成虛擬選民。
以新北市為例，有一份報告依二十九個行政區配出2萬6771個AI代理人；新竹縣的版本，則參照十三個鄉鎮市與2024年的政黨票結構來配置。
政黨傾向抓哪一次選舉當基準，就決定了這座虛擬城市一開始的藍綠底色。
第二步是寫人設。替代理人寫身世。光有年齡、性別還不夠，研究團隊會替每個代理人寫入社會經歷、媒體使用習慣，甚至分裂投票與拒答傾向，有的報告列到二十八項屬性。
翻成白話，就是設定這位阿伯每天看哪一台新聞，會不會市長投藍、議員投綠，接到民調電話會不會直接掛掉。台灣地方選舉離不開派系、宗親、宮廟與農漁會人脈，這些若沒寫進去，代理人就少了地方政治最重要的一塊骨架。
第三步是灌輿情。餵新聞再逐題作答。系統把截至某一天的新聞與社群聲量餵給代理人，讓它們讀完再逐題回答問卷，觀察接收新聞前後的立場變化。
進階一點的作法會讓代理人彼此影響，模擬里長、鄰居、LINE群組怎麼把一則消息在基層傳開。傳播學講了半世紀的兩級傳播，在這裡被寫成了程式碼。
第四步是開票。從村里往上加總。代理人先判斷會不會出門投票，再決定投給誰。AI每次回答都帶有隨機性，通常要反覆重跑，再把結果由里、行政區往上加總，就成了媒體上看到的各區領先幅度。
另一派作法乾脆不讓AI扮人，改用中選會歷屆逐里開票紀錄、內政部戶籍與財政部所得資料，推估每個里的投票結構。兩種都被叫做AI民調，底層邏輯卻差很多。
最要緊的是對帳。第五步是校準，拿真實選票或真人民調來比。國內有報告拿電話民調的區間來對照，強調模擬結果落在區間之內，可是那些區間動輒相差一、二十個百分點，要落在裡面並不困難。
更值得細讀的是報告上的一行小字：這是代理人的普查模擬，不適用抽樣誤差，只存在模型與情境設定的系統性偏差。代理人做兩萬個或二十萬個，只要人設與模型本身偏了，偏差就原封不動留在數字裡，樣本數大，只是讓結果看起來比較精密。
美國皮尤研究中心9月30日公布的實驗，正好提供一面鏡子。
研究團隊替約一萬五千名真實受訪者各建一個AI分身，連七十一題政治態度都餵進去，近三百題比下來，平均仍差12.4個百分點，換一個模型，誤差也跟著換了樣貌。真人回答不確定的比例，約是AI的四倍。放到台灣，這個問題更棘手，九合一選舉的未表態選民常有兩、三成，那群還在猶豫的人，正是AI最不會演的人。
媒體轉述時，問題又多一層。報告裡那行非真人抽樣的說明，在轉傳過程中往往最先消失，最後留在標題上的，只剩某某領先幾個百分點。對新聞工作者而言，標題至少該寫明模擬兩個字，內文交代代理人數量、資料截止日與研究單位，讓讀者知道這組數字背後站的是模型。
讀者該問四件事：看到一份AI民調，讀者可以先問四件事。
政黨傾向用哪一年的選舉當基準？人設與輿情資料由誰設定、截到哪一天？用的是哪一個模型，換了模型結果是否一致？有沒有拿過去的選舉回測，誤差多少？答不出來的報告，當作選情兵推看看就好，不宜當成民調來報導。
用對地方才有價值：AI模擬並非一無是處，用對地方，它是很好用的研究工具。
第一個用途是測試問卷。正式打電話之前，研究者可以先讓虛擬選民作答，看看哪一題問得太模糊，哪一題的選項設計會讓人看不懂，先把問卷修好，再拿去問真人，可以省下不少經費和時間。
第二個用途是情境推演。假設選前突然爆發弊案，或者兩個陣營宣布合作，研究者可以把這則消息餵給虛擬選民，觀察哪些年齡層、哪些行政區的態度比較容易動搖，競選團隊就知道該優先把資源放在哪裡。
不過，這些推演結果只能當成提醒，告訴大家哪些地方可能需要注意。原因很簡單，虛擬選民的想法，都是根據過去的資料和研究者寫好的設定推算出來的。
真實的選民可能會因為一場造勢晚會、一通親友的電話，或是投票前一晚的一則新聞，就改變原本的決定，這種臨時的變化，目前還沒有任何模型能事先算準。要知道此時此刻選民真正怎麼想，還是得實際去問「真正的人」。
作者為銘傳大學廣電系主任
●專欄文章，不代表《聚傳媒》J-Media立場。
